ФГОБУ ВО “Финансовый университет при Правительстве Российской Федерации”
Москва, г. Москва и Московская область, Россия
Весомым аргументом в пользу включения новой образовательной области «Большие данные» в практику профессиональной подготовки будущего экономиста является компетентность в сфере построения адекватных предсказательных моделей, востребованная на современном рынке труда. Действительно, любой руководитель заинтересован в повышении качества принимаемых решений. Эта заинтересованность возрастает в условиях санкционного давления и постпандемийных ограничений, - в сложных социально-экономических условиях, когда большинство ресурсов ограничено, выявленные ранее причинно-следственные связи теряют свою актуальность и существенно возрастает ответственность за принимаемые решения. Особенности реализации технологического подхода к раскрытию содержания новой образовательной области «Большие данные» в системе профессиональной подготовки будущего экономиста представлены в данной статье следующим образом: во-первых, в виде системы микроцелей базового уровня, во-вторых, в виде системы микроцелей продвинутого уровня. Таким образом в рамках технологического целеполагания содержания новой образовательной области реализован принцип вариативности профессиональной подготовки будущего экономиста. Содержательно представленные в статье микроцели охватывают различные вопросы применения количественных методов, математического и вычислительного моделирования. Кроме того, в формулировках микроцелей заложены требования по освоению новых инструментальных средств, поддерживающих анализ больших данных. Заметим, что реализация технологического целеполагания необходима для усиления прикладной направленности подготовки будущего экономиста, позволяет сделать методический акцент на прикладные задачи социально-экономической тематики, методы решения которых востребованы в будущей профессиональной деятельности. Материал статьи может быть полезен преподавателям высшей экономической школы, а также всем, кто интересуется современными методическими подходами к структурированию содержания обучения и достижениями в области больших данных.
технологический подход, целеполагание, прикладная направленность, образовательная область, большие данные, бакалавр экономики, анализ данных
1. Бодряков В. Ю., Быков А. А. Методические подходы к обучению студентов направления "Прикладная математика и информатика" основам интеллектуальной обработки больших данных // Педагогическое образование в России. - 2016. - № 7. - С. 145-152.
2. Бровка Н. В. Интеграция теории и практики обучения математике как средство повышения качества подготовки студентов - Минск: БГУ, 2009. - 243 с.
3. Бровка Н. В. Об информатизации математической подготовки студентов на основе интеграции теории и практики // Математические методы в технике и технологиях - ММТТ. 2017. - Т. 11. - С. 64-70.
4. Брызгалов А. А., Ярошенко Е. В. Применение методов Data Mining при проектировании и создании новой продукции и услуг // Открытое образование. - 2020. Т. 24. № 6. - С. 14-21.
5. Власов Д. А. Особенности целеполагания при проектировании системы обучения прикладной математике // Философия образования. - 2008. - № 4 (25). - С. 278-283.
6. Власов Д. А., Синчуков А. В. Новое содержание прикладной математической подготовки бакалавра // Преподаватель XXI век. - 2013. № 1-1. - С. 71-79.
7. Главацкий С. Т., Бурыкин И. Г. О цикле курсов «Аналитика больших данных для математиков» // Современные информационные технологии и ИТ-образование. - 2016. - Т. 12. № 3-2. - С. 17-22.
8. Денежкина И. Е., Зададаев С. А. Проверка статистических гипотез с использованием средств визуализации в среде Rstudio / В сборнике: Системный анализ в экономике - 2018. Сборник трудов V Международной научно-практической конференции-биеннале. Под общей редакцией Г. Б. Клейнера, С. Е. Щепетовой. - 2018. - С. 181-184.
9. Зададаев С. А. Цифровое расширение преподавания базовой математики // Современная математика и концепции инновационного математического образования - 2018. - Т. 5. - № 1. - С. 308-314.
10. Карасев П. А., Чайковская Л. А. Совершенствование программ высшего образования в контексте современных требований рынков образовательных услуг и профессионального сообщества // Экономика и управление: проблемы, решения. - 2017. - Т. 3. - № 2. - С. 3-9.
11. Королев О. Л., Апатова Н. В., Круликовский А. П. «Большие данные» как фактор изменения процессов принятия решений в экономике // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. - 2017. - Т. 10. № 4. - С. 31-38.
12. Корытникова Н. В. Online Big Data как источник аналитической информации в online-исследованиях // Социологические исследования. - 2015. - № 8 (376). - С. 14-24.
13. Мелехина Т. Л., Поздеева С. Н. Приемы вовлеченности в обучение студентов различных уровней подготовки при изучении математических дисциплин / В сборнике: Новые технологии высшей школы. Наука, техника, педагогика. Материалы Всероссийской научно-практической конференции. - 2020. - С. 333-336.
14. Мельникова В. А., Медведев Д. А Анализ больших данных с использованием Python / Труды Братского государственного университета. Серия: Естественные и инженерные науки. - 2019. - Т. 1. - С. 46-49.
15. Монахов В. М. Введение в теорию педагогических технологий / В. М. Монахов. - Волгоград, Перемена, 2006. - 365 с.
16. Монахов В. М. Педагогическое проектирование - современный инструментарий дидактических исследований // Школьные технологии. - 2001. - № 5. - С. 75.
17. Напеденина Е. Ю., Никитина Н. И. Некоторые аспекты формирования профессионально-прикладной математической подготовленности будущих экономистов в вузе // Вестник Тамбовского университета. Серия: Гуманитарные науки. - 2008. - № 1 (57). - С. 261-265.
18. Осмоловская И. М. И. Я. Лернер о процессе обучения: современное прочтение // Отечественная и зарубежная педагогика. - 2017. - Т. 1. - № 3 (39). - С. 31-41.
19. Полковникова Н. А. Особенности подготовки специалистов по анализу больших данных / В сборнике: Преподавание информационных технологий в Российской Федерации. Материалы Пятнадцатой открытой всероссийской конференции. - 2017. - С. 73-76.
20. Смирнов Е. И. Технология наглядно-модельного обучения математике - Ярославль, Ярославский государственный педагогический университет им. К. Д. Ушинского, 1998. - 335 с
21. Смирнов Е. И. Фундирование опыта в профессиональной подготовке и инновационной деятельности педагога. - Ярославль, Издательство «Канцлер», 2012. - 655 c.
22. Смирнов Е. И., Трофимец Е. Н. Проектирование информационно-аналитических технологий обучения студентов-экономистов // Ярославский педагогический вестник. - 2010. - Т. 2. - № 2. - С. 137.
23. Сорокин Л. В. Преодоление психолого-познавательных барьеров, связанных с анализом и визуализацией больших данных / Международный научно-исследовательский журнал. - 2017. - № 1-3 (55). - С. 59-62.
24. Тестов В. А. Основные задачи развития математического образования // Образование и наука. - 2014. - № 4 (113). - С. 3-17.
25. Феклин В. Г. Использование LMS Moodle для создания электронного математического курса // Современная математика и концепции инновационного математического образования. - 2014. - Т. 1. - № 1. - С. 233-240.
26. Тихомиров Н. П., Тихомирова Т. М. Теория риска: учебник для студентов вузов, обучающихся по экономическим специальностям. М.: ЮНИТИ-ДАНА, 2020. - 308 с.
27. Sukhorukova I. V., Fomin G. P. Hybrid Method for Multi-Criteria Risk Minimization. // Espacios. - 2019. - Vol. 40. - pp. 14 -22
28. Sukhorukova I. V., Maksimov D. A., Fomin G. P. Methods of risk minimization in investment and construction projects В сборнике: IOP Conference Series: Materials Science and Engineering. Buldintech bit. 2020. Innovations and technologies in construction. - 2020. - С. 012013.
29. Baig, M. I., Shuib, L. & Yadegaridehkordi, E. Big data in education: a state of the art, limitations, and future research directions. Int J Educ Technol High Educ 17, 44 (2020). https://doi.org/10.1186/s41239-020-00223-0
30. Camargo Fiorini, P., Seles, B. M. R. P., Jabbour, C. J. C., Mariano, E. B., & Sousa Jabbour, A. B. L. (2018). Management theory and big data literature: From a review to a research agenda. International Journal of Information Management, 43, 112 -129. https://doi.org/10.1016/j.ijinfomgt.2018.07.005.
31. Coccoli, M., Maresca, P., & Stanganelli, L. (2017). The role of big data and cognitive computing in the learning process. Journal of Visual Languages & Computing, 38, 97-103. https://doi.org/10.1016/j.jvlc.2016.03.002.
32. Gupta, D., & Rani, R. (2018). A study of big data evolution and research challenges. Journal of Information Science., 45(3), 322-340. https://doi.org/10.1177/0165551518789880.
33. Logica, B., & Magdalena, R. (2015). Using big data in the academic environment. Procedia Economics and Finance, 33(2), 277-286. https://doi.org/10.1016/s2212-5671(15)01712-8.
